Artificial intelligence (AI) gaat de tekorten in de zorg oplossen. Het is een veelgehoorde kreet de afgelopen periode, met name sinds de opkomst van ChatGPT. Wat betreft administratieve taken zal generatieve AI, waar ChatGPT onder valt, ongetwijfeld de lasten van het zorgpersoneel kunnen verminderen. Maar AI biedt veel meer mogelijkheden. Zo zijn er voorbeelden van modellen die de drukte op een afdeling kunnen voorspellen, die een specifiek ziektebeeld diagnosticeren of die voorspellen of een patiënt succesvol van de beademing gehaald kan worden. Dit zijn voorbeelden van een subgroep van AI, namelijk machine learning (ML). ML-modellen kunnen worden getraind op individuele patiëntendata om een voorspelling te doen voor die specifieke patiënt. Daarmee bieden ze mogelijkheden voor personalized medicine. Voor het ontwikkelen van dit soort modellen zijn grote hoeveelheden data nodig. Een afdeling die grote hoeveelheden data genereert en daarmee uitermate geschikt is voor het ontwikkelen en gebruik van AI is de intensive care (IC).
De meest kritiek zieke patiënten, die orgaan ondersteuning nodig hebben om in leven te blijven, worden opgenomen op de IC. Hier kan met medicatie of mechanische ondersteuning de kritiek zieke periode worden overbrugd tot de patiënt weer naar de afdeling van het specifieke specialisme terug kan. Naast medicatie kan de ondersteuning bestaan uit beademing, dialyse, en de hart-longmachine. Alle academische ziekenhuizen in Nederland hebben drie verschillende IC’s: de IC Neonatologie waar de prematuur geboren kinderen worden opgenomen, de IC Kinderen, voor patiënten tot 18 jaar, en de IC volwassenen. Alle apparatuur die op de IC wordt gebruikt, inclusief de continue monitoring die op alle drie de afdelingen plaatsvindt, genereert data, ideaal voor het ontwikkelen en gebruik van AI modellen, zou je denken.
In de praktijk zien we op geen van de drie afdelingen breed geïmplementeerde AI modellen. Met een groep collega’s van de Erasmus MC Datahub zijn we uitgebreid de wetenschappelijke literatuur ingedoken om in kaart te brengen wat de belangrijkste onderzoeksgebieden voor AI zijn, of we in de nabije toekomst bepaalde AI modellen in de kliniek mogen verwachten, en zo niet, wat de barrières zijn voor de implementatie van AI. Gezien de hoeveelheid literatuur hebben we dit apart gedaan voor de IC Volwassenen en zijn de IC Neonatologie en Kinderen samengevoegd.
Om te bepalen hoe gevorderd de gevonden AI modellen zijn, hebben we gebruikgemaakt van technology readiness levels (TRL). Dit is gebaseerd op een schaal die in het verleden is ontwikkeld door NASA om de ontwikkelingsstatus van verschillende raketmodellen in uit te drukken. De schaal loopt van 1: probleemidentificatie tot 9: implementatie in de klinische praktijk.
Wat opvalt is dat er een snelle stijging is in het aantal gepubliceerde artikelen over AI-modellen, maar dat er nauwelijks ontwikkeling is naar hogere TRL’s. Het merendeel van de modellen blijft hangen in de ontwikkelingsfase en slechts enkele worden extern gevalideerd. Slechts 2% van de studies beschrijft een klinische evaluatie van de ontwikkelde AI-modellen. Wat verder opvalt is dat de kwaliteit van de studies te wensen overlaat. Getoetst aan de PROBAST (prediction model risk of bias assessment tool) scoort meer dan driekwart van de studies een hoog risico op bias of wordt onvoldoende informatie gegeven om het risico op bias te kunnen bepalen. Deze problemen worden voornamelijk veroorzaakt door tekortkomingen in de analyses.
Kortom: AI levert momenteel nog niet de beloofde bijdrage aan de klinische zorg. De ontwikkeling blijft voornamelijk hangen binnen het onderzoek en de stap voorbij TRL 5, externe validatie, lijkt een barrière te vormen. Deze stap omvat het realtime testen van de modellen. Vergeleken met alle voorgaande stappen in de ontwikkeling wordt hier veel gevraagd van de technische infrastructuur van het ziekenhuis. Waar alle voorgaande stappen met retrospectieve datasets kunnen worden uitgevoerd, die veelal handmatig vanuit meerdere databronnen samengevoegd worden, moeten in deze fase alle benodigde data op hetzelfde moment op eenzelfde locatie samenkomen. Dit is vaak niet direct mogelijk in de bestaande data-infrastructuren en ook nieuwe preprocessing stappen zoals het filteren van data of het imputeren van missende data moeten worden ontwikkeld.
De vereiste stappen om AI modellen in realtime toe te kunnen passen gaan verder dan de verantwoordelijkheden en capaciteiten van de onderzoekers die de modellen hebben ontwikkeld. Serieuze investeringen in de data-infrastructuur zijn nodig om een platform te bieden waar onderzoekers hun ontwikkelde modellen kunnen laten landen. Maar ook onderzoekers zullen in hun onderzoek moeten investeren om AI aan het bed te krijgen. Zo zou het implementeren van het beoogde model vanaf het eerste moment in acht moeten worden genomen, zowel bij het opstellen van het onderzoek als bij de keuze voor de gebruikte data en de gebruikte uitkomstmaten. Ook hoe de uitkomst van een model weergegeven gaat worden en welke effecten, positief en negatief, dit kan hebben op de eindgebruikers moet worden meegenomen. Daarnaast moet de kwaliteit van onderzoek omhoog, bijvoorbeeld door gebruik te maken van het ACCEPT-AI framework en door de TRIPOD+AI reporting guidelines te volgen bij het opstellen van een artikel.
Er moet nog veel gebeuren voordat we AI modellen daadwerkelijk in grote schaal aan het bed gebruikt zullen zien worden. Zowel de ziekenhuisorganisaties als de onderzoekers zullen hier in moeten investeren. Er is echter geen enkele twijfel dat AI de zorg in de toekomst zal verbeteren.
Bekijk voor meer details over de ontwikkelingen van AI op de verschillende IC’s vooral de artikelen in de referenties.
Referenties
- Schouten JS, Kalden MACM, van Twist E, Reiss IKM, Gommers DAMPJ, van Genderen ME, Taal HR. From bytes to bedside: a systematic review on the use and readiness of artificial intelligence in the neonatal and pediatric intensive care unit. Intensive Care Med. 2024 Nov;50(11):1767-1777.
- Berkhout WEM, van Wijngaarden JJ, Workum JD, et al. Operationalization of Artificial Intelligence Applications in the Intensive Care Unit: A Systematic Review. JAMA Netw Open. 2025;8(7):e2522866.
